MetaSkill 提出用 DAG 运行时把技能调用依赖变成可执行结构
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在技能之间的衔接
材料把 Agent Skills 的定位说得很清楚：它用自然语言承载开放式任务知识，但一旦要把多个技能组合起来，就需要固定的执行顺序，以及上游输出向下游的传递。这两件事恰恰是自然语言不擅长的部分。论文因此提出在 Skill 边界上做选择性形式化，也就是只把协调关系变成可执行内容，而把实质性的任务判断继续留在各个 Skill 内部。这样划分的依据是：协调关系有稳定引用、可以用机器校验的约束来描述，而具体怎么做任务本身依赖语言表达的灵活性。
MetaSkill 的混合表示
MetaSkill 保留完整的 Skill 包和局部指令，同时让调用依赖与前驱文本绑定通过有向无环图运行时变成可执行对象。这个接口只规定技能之间如何协调，不规定每个 Skill 如何完成自己的局部任务。换句话说，图负责顺序与数据交接，语言负责技能内部的判断。论文强调这套设计同时具备三项特征：可执行的依赖、显式的前驱文本绑定，以及可审计的协调过程。
评测怎么做的
实验设置是 20 个多 Skill 工件任务，配两个 LLM。每个任务有一份共同的冻结计划，据此分别生成自然语言流程、提示中可见的图，以及 MetaSkill 三种形式，三者使用相同的指定 Skill 包。此外还比较了 AgentSkillOS 在可用 Skill 包与 MetaSkill 相同时的表现，以及使用各自配置工具的 agent 系统。评判采用盲评方式对产出工件打分，报告的是偏好点估计。结果显示所有对比都偏向 MetaSkill，其中在 DeepSeek-V4-Flash 下对 Prompt Graph、在 GLM-5.2 下对 OpenClaw 的对比，95% 任务自助法区间排除了持平。在 GLM-5.2 的可审计执行轨迹中，计划节点全部完成，声明的先后约束全部满足。
适用范围与限制
论文的结论范围限于所报告的任务集合与模型组合，偏好结果以点估计和区间形式给出，并非在所有对比上都排除了持平。方法本身不涉及技能内部如何执行任务，只处理技能之间的协调层，因此其收益依赖于任务确实存在明确的先后顺序与上游输出交接需求。论文共 10 页、2 幅图，代码已公开，并获得 NeurIPS 2026 LP4FM 研讨会杰出论文奖。
为什么值得看
多技能协作的编排接口怎么设计，是 agent 落地的关键工程问题，这篇给出了可执行依赖的具体做法与评测。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。